Generalized sensor-based tool failure detection and prevention system for intermittent cutting operations

Tool condition monitoring (TCM) systems are essential to achieve the desired competitive advantage in manufacturing in terms of reducing cost, increasing productivity, improving quality, and preventing damage to the machined part. In this research work, a new intelligent TCM system has been developed for accurate detection of tool wear failure as well as prediction of sudden tool chipping/breakage before damaging the machined part. The system analyzes process-born features gathered from multi-sensor feedback signals using advanced signal processing and machine learning methods to detect the tool condition during cutting processes. Communication between the developed system and a CNC machine controller has been implemented. The time required for signal processing, decision making and communication with the machine controller allows stopping the operation before part damage. For tool wear detection, robust and real-time signal processing and decision-making algorithms were developed using feedback signals from the spindle drive motor. The proposed signal processing approach accentuates the tool condition effect on the extracted features while masking the effects of the cutting parameters. These features were employed in a machine learning algorithm to detect the tool condition. The results indicated the capability of the processing technique to minimize system learning effort by at least 75% and to detect tool wear with an accuracy above 95% and a confidence level above 90%. Such capability has never been achieved before.For sudden failure prediction, a novel signal processing approach for online prediction and prevention of tool chipping/breakage during intermittent machining was developed. The approach analyzes the acoustic emission waves associated with the generation of new surfaces during unstable crack propagation, which precede tool fracture. The features of the prefailure phase were identified using the Hilbert-Huang transformation method and the Teager-Kaiser Energy Operator, which can discriminate high energy/frequency events in the prefailure phase. Extensive experimental results demonstrated the accuracy of the developed system to consistently predict tool chipping. The system output has been shown to be independent of the cutting parameters and workpiece material. A correlation between the chipping size and the prefailure features was developed for decision making. No such system previously existed.Les systèmes de surveillance de l'état d'outil (TCM) sont essentiels pour réaliser l'avantage concurrentiel industriel souhaité, en termes de réduction des coûts, augmentation de la productivité, amélioration de la qualité et éviter d'endommager la pièce usinée. La condition de l'outil ne peut être prédite analytiquement en raison de la nature dynamique du processus dans un environnement industriel. Pour surmonter les limites des systèmes de TCM existants, un nouveau système TCM intelligent a été mis au point pour détecter avec précision les défaillances d'usure des outils, ainsi que la prédiction de brisure d'outils soudains avant d'endommager la pièce usinée. Le système analyse les caractéristiques du processus recueillies à partir de signaux des multi-capteurs en utilisant des méthodes avancées de traitement du signal et d'apprentissage automatique pour détecter l'état de l'outil dans les processus de coupe intermittents. Pour la détection de l'usure des outils, des algorithmes de traitement du signal et de prise de décision robustes et en temps réel ont été développés à l'aide de signaux de retour provenant du moteur d'entraînement de la broche. Le système extrait des caractéristiques générales descriptives, dans les domaines temporel et fréquentiel, détermine la condition de l'outil, puis communique une décision au contrôleur de la machine en présence de système de contrôle adaptif. L'approche proposée souligne l'effet de l'état de l'outil sur les caractéristiques extraites, tout en masquant les effets des paramètres de coupe tels que la vitesse de coupe, la vitesse d'avance, la profondeur de coupe, et la trajectoire et la géométrie de l'outil. Une telle capacité n'a jamais été atteinte auparavant. Les résultats ont indiqué la capacité de la technique de traitement à minimiser l'effort d'apprentissage du système d'au moins 75% et à détecter l'usure des outils au-dessus du seuil avec une précision supérieure à 95% et un niveau de confiance supérieur à 90%.Pour la prévision de défaillance soudaine, une nouvelle approche de traitement du signal a été développée pour la prédiction en ligne et la prévention de la brisure des outils lors de l'usinage intermittent. L'approche analyse les ondes d'émission acoustique associées à la génération de nouvelles surfaces lors de la propagation instable des fissures, qui précèdent la fracture de l'outil, dans le domaine temps-fréquence en utilisant la méthode de transformation de Hilbert-Huang. Les caractéristiques de la phase de pré-défaillance ont été identifiées à l'aide de la fonction de Teager-Kaiser Opérateur Énergétique et de la fonction de fenêtre Bartlett, qui distinguent les événements à haute énergie de la phase de pré-défaillance tout en abaissant toute autre variation de signal à basse énergie. Des résultats expérimentaux étendus, appuyés par une imagerie à grande vitesse des opérations de coupe et des brisures d'outils, ont démontré la précision du système développé pour prédire de manière cohérente la défaillance de l'outil de quatre à six engagements d'outils / pièces avant la brisure de l'outil. La sortie du système s'est également avérée indépendante des paramètres de coupe et du matériau de la pièce. Une corrélation entre la grandeur de fissure et les caractéristiques de pré-défaillance a été développée pour la prise de décision. Un processeur ultrarapide a été intégré au système TCM pour une prise de décision en temps réel dans un laps de temps très court (de l'ordre de 10 ms) pour les processus d'usinage à grande vitesse. Une communication du système développé avec le contrôleur de machine CNC a été mise en place. Le temps nécessaire au traitement du signal, à la prise de décision et à la communication avec le contrôleur de la machine permet d'arrêter le processus avant d'endommager une partie. Les résultats expérimentaux de la validation ont confirmé l'exactitude et la robustesse du système de MTC proposé. Aucun système similaire n'existe